Mar, 2020

学习 2D-3D 对应关系以解决盲目透视 n 点问题

PDF
TL;DR本文提出了一种深度 CNN 模型，该模型能够同时解决 6 自由度绝对摄像机姿态和 2D-3D 对应关系，通过全局特征匹配模块和分类模块实现了对无先验知识的 2D-3D 对应关系的盲目 PnP 问题的有效解决。
pnp solverdeep cnn modelabsolute camera pose2d--3d correspondencesdiscriminative point-wise features
发现论文，激发创造
  • 利用鲁棒可微几何优化端到端解决盲视角 N 点问题

    该研究提出了一种基于端到端学习的盲 PnP 求解器，利用最近的优化问题微分研究结果将几何模型拟合集成到学习框架中，包括 Sinkhorn、RANSAC 和 PnP 算法，可有效地实现全局定位和三维场景点的快速估计

    Jul, 2020

  • 单阶段 6D 物体位姿估计

    本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

    Nov, 2019

  • 用于同时相机位姿和特征对应的全局优化局内点集最大化

    应用全局最优内点集基数最大化方法求解相机位姿和对应特征点，使用 SE (3) 几何学方法来限定内点上下界限，并利用分支定界算法在 6 维相机位姿空间进行搜索，实验结果表明该方法更加鲁棒可靠，并表现出比使用局部最优化方法更好的速度和精度。

    Sep, 2017

  • 2D3D-MatchNet：学习在 2D 图像和 3D 点云之间匹配关键点

    本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

    Apr, 2019

  • DeepHMap++：结合投影分组和对应关系学习的全自由度姿态估计

    本文提出一种基于卷积神经网络的 2 阶段模型，采用投影分组和对应关系学习方法预测物体位姿，优于现有的其他方法。

    Apr, 2019

  • P2-Net：针对像素和点匹配的局部特征描述和检测的联合方法

    提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

    Mar, 2021

  • EPro-PnP: 单目物体姿态估计的端到端概率透视 n 点推广

    该论文提出了一种名为 EPro-PnP 的概率 PnP 层，用于在端到端位姿估计中输出 SE (3) 流形上的位姿分布，该原理统一了现有方法并类似于注意力机制， 成功地将 PnP 方法与任务特定的领袖之间的差距缩小，从而提高了 LineMOD 6 自由度位姿估计和 nuScenes 3D 对象检测的性能。

    Mar, 2022

  • EPro-PnP: 单目对象姿态估计的通用端到端概率透视 n 点算法

    本文提出了一种用于 3D 物体检测的 PnP 基于深度学习和概率密度的可微分神经网络层，通过最小化 KL 散度来学习 2D-3D 点匹配权重，实现了端到端的姿态估计和精准的物体定位。

    Mar, 2023

  • 神经对应场用于物体姿态估计

    本文提出一种方法，通过单个 RGB 图像估计刚性物体的六自由度姿态，其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标，并借助全连接神经网络来实现神经对应场，最终使用 Kabsch-RANSAC 算法实现姿态估计，该方法在三个 BOP 数据集中都取得了最优结果。

    Jul, 2022

  • 融合新旧技术：基于几何引导不确定性的相机相对位姿学习

    本研究提出了一种新的框架，涉及到两个预测模型之间的概率融合，旨在利用它们的互补优点进行可学习的融合， 并使用自我注意图神经网络来驱动学习，通过显式地指导几何不确定性学习 DNN 的不确定性，从而学习相对于 DNN 预测的几何解决方案。该方法达到了 DeMoN 和 ScanNet 数据集上最先进的性能表现。

    Apr, 2021